Класс SVM

(PECL svm >= 0.1.0)

Введение

Обзор класса

class SVM {
/* Константы */
const int C_SVC = 0;
const int NU_SVC = 1;
const int ONE_CLASS = 2;
const int EPSILON_SVR = 3;
const int NU_SVR = 4;
const int KERNEL_LINEAR = 0;
const int KERNEL_POLY = 1;
const int KERNEL_RBF = 2;
const int KERNEL_SIGMOID = 3;
const int OPT_TYPE = 101;
const int OPT_KERNEL_TYPE = 102;
const int OPT_DEGREE = 103;
const int OPT_SHRINKING = 104;
const int OPT_PROPABILITY = 105;
const int OPT_GAMMA = 201;
const int OPT_NU = 202;
const int OPT_EPS = 203;
const int OPT_P = 204;
const int OPT_COEF_ZERO = 205;
const int OPT_C = 206;
const int OPT_CACHE_SIZE = 207;
/* Методы */
public __construct()
public svm::crossvalidate(array $problem, int $number_of_folds): float
public getOptions(): array
public setOptions(array $params): bool
public svm::train(array $problem, array $weights = ?): SVMModel
}

Предопределённые константы

Константы SVM

SVM::C_SVC

Базовый тип SVM. Тип по умолчанию, хорош для начала.

SVM::NU_SVC

Тип NU_SVC использует другой, более гибкий подход к развесовке ошибок.

SVM::ONE_CLASS

Одноклассовая модель. Тренирует только на одном классе, работает с «выпадающими» данными как с отрицательными примерами

SVM::EPSILON_SVR

Тип для регрессии (прогнозирование значения, а не просто класса)

SVM::NU_SVR

Тип регрессии SVM в стиле NU

SVM::KERNEL_LINEAR

Очень простое ядро, которое хорошо работает для классификации проблем больших документов

SVM::KERNEL_POLY

Полиноминальное ядро

SVM::KERNEL_RBF

Стандартное Гауссово RBD-ядро. Хорошо обрабатывает нелинейные проблемы и является хорошим значением по умолчанию для классификации

SVM::KERNEL_SIGMOID

Ядро, основанное на сигмоидной функции. Очень похоже на использование двухуровневой сигмоидной нейронной сети

SVM::KERNEL_PRECOMPUTED

Предварительно вычисленное ядро — пока не поддерживается

SVM::OPT_TYPE

Опциональный ключ для типа SVM

SVM::OPT_KERNEL_TYPE

Опциональный ключ для типа ядра

SVM::OPT_DEGREE

SVM::OPT_SHRINKING

Обучающий параметр — логическое значение, которое определяет, использовать ли эвристику сокращения

SVM::OPT_PROBABILITY

Параметр обучения — логическое значение, которое определяет, будут ли собираться и использоваться оценки вероятности

SVM::OPT_GAMMA

Параметр алгоритма для следующих типов ядра: Полиноминальное, RBF и Сигмоидное

SVM::OPT_NU

Опциональный ключ для параметра nu. Используется только с типами NU_ SVM

SVM::OPT_EPS

Опциональный ключ для параметра Epsilon. Используется только в Эпсилон-регрессии

SVM::OPT_P

Обучающий параметр для Эпсилон-регрессии SVR

SVM::OPT_COEF_ZERO

Параметр алгоритма для полиноминального и сигмоидного ядра

SVM::OPT_C

Опция для параметра стоимости, контролирующего компромисс между ошибками и неопределённостями — фактически штраф за ошибочную классификацию обучающих примеров.

SVM::OPT_CACHE_SIZE

Размер кеша в памяти в мегабайтах

Содержание

  • SVM::__construct — Конструктор класса SVM
  • SVM::crossvalidate — Тестирование обучающих параметров на подмножествах обучающих данных
  • SVM::getOptions — Получить текущие параметры обучения
  • SVM::setOptions — Установить параметры обучения
  • SVM::train — Создать SVMModel на основе обучающих данных
Добавить

Примечания пользователей

Пользователи ещё не добавляли примечания для страницы
To Top